市场关心的，已经不是 AI 能不能写代码
PANews 刊文称，过去两年，AI 产业最成功的应用叙事是 Coding。AI 在这一领域从最早的代码补全，走到自动生成测试、修复 Bug、迁移代码库，再到如今能够读取整个项目、调用终端、运行测试、持续修改并提交代码的 Coding Agent。文章认为，这意味着 AI 第一次证明，它不只是会聊天、会生成内容的工具，也可以进入真实生产环境，完成企业愿意付费、结果可以验证、价值能够量化的工作。
但文章同时指出，问题也出在这里。Coding Agent 已经从过去的“预期差”，逐渐变成市场共识。市场不再争论 AI 能不能写代码，而是在讨论它最终能覆盖多少开发者、替代多少软件工程工作、形成多大的收入规模。文中称，Coding 的基本面空间仍然很大，但仅靠“AI 会写代码”这一叙事，越来越难继续支撑整个 AI 产业链不断扩张的估值。
文章将市场接下来真正关心的问题归纳为两个：除了 Coding 之外，还有没有第二个足够大的 AI 应用场景；如果迟迟没有新的应用场景接棒，今天持续攀升的数据中心、GPU、网络、电力投资，以及随之扩张的企业债务，未来靠什么收入、自由现金流和生产率提升来支撑，AI 能不能赚钱，巨大资本开支能不能收回，ROIC 是否算得过来。
作者写道，第二个问题在 2 季度财报季里已经能对云厂商 ROIC 建立初步模型，但核心仍然是第一个问题。文中认为，这并不是在质疑 AI 有没有用，真正的矛盾在于，第一增长引擎已经迅速成为共识，第二增长引擎却可能需要更长时间才能进入收入、利润和现金流。这正是当前 AI 应用最重要的“时间差”。下一轮定价需要证明的是，AI 不仅可以改变软件开发，还可以接管更广泛的经济活动。
Coding 为什么率先跑出来
文章认为，Coding 之所以成为 AI 第一个杀手级应用，并不是因为程序员更愿意尝试新工具，而是因为代码任务几乎同时具备了 AI 商业化最需要的全部条件。
- 代码、日志、API、文档和报错信息已经完全数字化，AI 不需要先去理解复杂物理世界，也不需要等待企业完成长期纸质数据整理。
- 代码结果高度可验证，一段代码能否编译、测试是否通过、接口是否正确返回、页面是否能运行、性能是否下降，通常很快就能得到反馈。即使第一次写错，也可以运行、观察、修正，再运行，形成闭环。
- 软件开发流程可以拆解成较清晰的步骤，包括读取代码库、理解需求、修改文件、运行测试、分析报错、继续修改、生成提交记录，这种流程天然适合 Agent 持续执行。
- 程序员人工成本高，AI 只要节省 10% 至 20% 的开发时间，企业就很容易计算 ROI。
- 部分正确也能创造价值。AI 不需要一开始就完全替代工程师，只要能完成测试生成、SQL 编写、代码解释、前端修改、API 迁移等局部任务，就值得付费。
- Coding 工具可以自下而上扩散，工程师个人就能订阅、安装和使用，不必等待企业完成漫长采购、合规、数据接入和组织调整。
因此，文章将 Coding 定义为第一款同时实现产品成熟、预算明确、效果可验证、高频使用和商业化闭环的 AI 应用。文中还提到，相关企业应用支出材料显示，Coding 已经是目前最大的单一部门级 AI 应用，但横向 Copilot、通用助手、垂直行业 AI 和消费者 AI 合计规模仍高于 Coding。因此，Coding 是商业化最成熟、使用强度最高、最容易量化价值的单一 AI 工作负载，但它并不等于 AI 全部需求的总和。
“下一个 Coding”这个问法，本身可能就有偏差
文章指出，很多人想象中的下一场景，是再出现一款像 Coding Agent 一样边界清晰、增速极快、收入规模巨大、能够被资本市场迅速识别的产品。但非 Coding 世界的结构与软件开发并不相同。
文中称，程序员使用的代码库、IDE、版本控制、测试和部署方式具有很强共性，因此 Coding 可以被定义成相对统一的大市场。可非 Coding 工作高度碎片化。银行需要信贷、KYC 和反洗钱 Agent；保险公司需要核保、理赔和反欺诈 Agent；医院需要病历、编码、预授权和患者分流 Agent；制造企业需要质检、采购、排产和设备维护 Agent；零售企业需要客服、库存和补货 Agent；财务部门需要发票、对账、关账和催收 Agent。
文章认为，单独看，每一个场景可能都不如 Coding 集中，但把它们加在一起，对应的是整个服务业、知识工作体系、后台运营体系和专业服务体系，其劳动力预算、外包预算和交易预算远大于软件开发预算。因此，AI 的第二增长引擎大概率不会表现为“一款产品突然成为第二个 Coding”，更可能表现为数十个行业、数百条业务流程同时进入 Agent 化，最终在总量上超过 Coding。作者将其描述为一场分散发生的流程革命，而不是单一超级应用。
哪些场景最接近“下一个 Coding”
文章给出一个判断框架：AI 商业价值约等于任务频率 × 人工成本 × 可自动化比例 × 可验证性 × 系统执行能力，减去错误、集成和治理成本。按照这一标准，最接近 Coding 结构的，不是战略、创意或企业管理，而是那些数字化程度高、有明确 SOP、有量化指标、允许人工兜底，并且 AI 可以真正调用系统执行动作的流程。
客服和语音 Agent
作者称，这是最像“第二个 Coding”的单一场景。客服拥有知识库、服务流程、身份认证、工单系统和明确成功标准。一个客服 Agent 是否创造价值，可以通过首次解决率、人工转接率、平均处理时长、重复来电率和客户满意度来评价。随着语音模型进步，AI 已经不只是在聊天窗口回答问题，也可以进入电话预约、退款、改签、催收、销售筛选、酒店服务、医疗前台和保险咨询。
不过文章强调，语音本身不是商业模式，关键不在于 AI 能不能像人一样说话，而在于它能不能查询订单、验证身份、修改系统、发起退款、更新 CRM 并关闭工单。只有完成这些动作，AI 才从语音助手升级为业务 Agent。
IT 运维和网络安全
文章认为，这可能成为技术部门内的第二条主线。IT 运维和安全与 Coding 一样，拥有大量机器可读数据，包括日志、告警、配置文件、网络拓扑、漏洞信息、权限系统和运行手册。AI 可以从解释告警，逐步走向定位故障、调用诊断工具、执行 Runbook、验证服务恢复、生成事故报告，并将高风险操作交给人类审批。文中称，这一场景最大的瓶颈不是模型能力，而是企业是否愿意把足够高的系统权限交给 Agent。
财务、会计和采购
文章将其称为最容易被低估的大市场。财务流程通常文档密集、规则密集、重复性高，而且存在天然验证机制，金额能否匹配、借贷是否平衡、审批权限是否正确、三单是否一致、关账是否完成，都可以检查。因此，发票处理、应付账款、应收账款、费用审核、银行对账、采购寻源、月末关账、现金流预测和审计底稿，都适合 Agent 化。这类应用未必会形成消费者熟悉的著名 App，却可能吸收大量共享服务中心、财务外包和后台运营工作。
医疗行政、法律、保险和合规
文章指出，这些领域人工成本高、文本和文档密集、流程相对标准化。医疗 AI 目前较成熟的往往不是直接诊断，而是医疗文书、编码收费、预授权、预约、患者分流和理赔材料处理。法律 AI 最先进入检索、合同审阅、尽调、诉讼材料整理和监管报告。保险则适合材料读取、核保、理赔、反欺诈和催收。它们的共同限制是错误成本高，因此在很长一段时间内都会保留专业人员复核和最终签字。
供应链和制造
文章认为，这一方向长期价值极大，但落地节奏更慢。需求预测、库存补货、采购、排产、质检、设备维修和物流调度，对应的经济价值可能远超一般办公辅助，但这些流程跨越多个部门和旧系统，部分结果发生在物理世界，反馈周期也可能长达数周或数月。因此，供应链和制造有可能成为长期最大的 AI 市场之一，却不会像 Coding 一样快速完成产品化和规模扩散。
作者最后给出的结论是，如果一定要给出答案，客服与语音 Agent 最接近“下一个 Coding”；但真正能够在总量上超过 Coding 的，不会是客服一个场景，而是客服、财务、IT、医疗、法律、保险、采购和供应链等工作流的总和。
微软三组数据展示了非 Coding 扩散的三个阶段
文章援引微软 FY2026 第四季度披露的三组数据：Foundry 客户达到 10 万，收入同比增长超过一倍；Microsoft 365 Copilot 付费席位超过 3000 万；Agent 365 上线后已有接近 4000 万个 Agent 被注册。作者认为，这三组数据都能支持“AI 正在从 Coding 扩散到非 Coding”，但证据强度并不相同，而且三组数字不能相加，因为同一家大型企业可能同时是 Foundry 客户，也购买大量 M365 Copilot 席位，还在 Agent 365 中登记数千个 Agent。
Foundry：企业正在“建”
文章称，Foundry 不是终端应用，而是企业构建、部署和运行模型、应用与 Agent 的平台，服务对象往往是企业 IT 团队、数据团队、AI 平台部门、软件公司、系统集成商和 AI 原生企业。企业可以在 Foundry 上完成模型选择、推理调用、RAG、企业数据连接、Agent 编排、工具调用、评测、监控、安全和治理。因此，10 万客户和收入翻倍证明的是，企业正在从使用通用聊天机器人，转向自己建设行业应用和业务 Agent。
但文中也指出，Foundry 同时承载 Coding 和非 Coding 场景，没有披露多少客户属于试验、多少已经进入生产，也没有披露收入绝对规模和场景结构。因此，它更像非 Coding 应用建设管线扩大的中上游证据，而不是终端非 Coding 收入全面爆发的充分证明。
M365 Copilot：非 Coding 员工已经在“用”
文章称，3000 万并不是 3000 万家企业，而是 3000 万个企业员工席位。这些用户不仅包括开发人员，更主要包括财务、销售、HR、法务、医生、咨询师、银行员工、制造企业管理人员和普通行政人员。他们在 Outlook 中总结邮件，在 Teams 中生成会议纪要，在 Word 中撰写文档，在 PowerPoint 中生成演示文稿，在 Excel 中分析数据，在企业知识库中搜索信息。
作者认为，这意味着企业已经不再只为程序员购买 AI，而是在为大量普通知识工作者购买 AI。在三组数据中，M365 Copilot 的 3000 万付费席位，是“AI 从 Coding 扩散到非 Coding”的最直接证据。但它首先证明的是采用和付费，并不等于企业已经完成流程重构。员工使用 Copilot 总结会议、修改邮件和查找资料，说明 AI 已进入工作，但不代表企业已经减少人员、降低 SG&A 或提高自由现金流。
Agent 365：企业开始“管”
文章称，Agent 365 更像企业 Agent 的身份、权限、安全和审计控制平面，负责发现和登记 Agent，管理 Agent 可以访问哪些数据、调用哪些工具、执行哪些动作，并追踪 Agent 的生命周期和合规记录。因此，接近 4000 万个注册 Agent，并不意味着有 4000 万个 Agent 每天工作，也不意味着有 4000 万个独立付费单位、4000 万个持续消耗 token 的 Agent、4000 万个已经进入生产的 Agent，或者 4000 万个正在创造收入的 Agent。
作者认为，这个数字更接近企业内部的一份 Agent 资产清单，其中可能包括测试 Agent、个人 Agent、部门 Agent、已停用 Agent、自动同步 Agent 和系统发现的“影子 Agent”。它真正说明的是，企业内部 Agent 的数量和来源已经复杂到需要统一身份、权限、安全与审计治理。这是重要的领先指标，但不是收入、活跃度和生产率指标。
基于上述判断，文章给出的结论是：Foundry 证明企业正在建，M365 Copilot 证明员工正在用，Agent 365 证明企业开始管。其中 M365 Copilot 是直接证据，Foundry 是有收入支撑的中上游证据，Agent 365 则是架构和治理的领先指标。
企业 AI 走到了哪一步
文章将 AI 应用扩散分成五个阶段。
- 第一阶段是 Coding Agent。AI 进入软件工程，完成补全、测试、修复、重构和部署。这一阶段已从试验走向规模化生产，是目前最成熟的企业 AI 工作负载。
- 第二阶段是横向知识工作 Copilot。AI 进入邮件、会议、文档、表格、研究、企业搜索和内容生成。M365 Copilot 的 3000 万付费席位，主要证明这一阶段已经进入规模化采购。
- 第三阶段是部门级 Agent。AI 开始进入客服、销售、财务、采购、HR、法务、IT 运维和安全部门。这一阶段的核心变化是，AI 不只是生成内容，而是开始调用企业数据和业务工具。文章称，Foundry 增长、Dynamics 消费增长和大量行业案例，说明这一阶段正在形成。
- 第四阶段是端到端业务流程。Agent 可以查询数据、调用系统、执行审批、发起退款、生成订单、更新记录和处理异常。文中举例称，一个退款 Agent 不只是告诉客服“客户符合退款条件”，而是完成身份验证、订单查询、政策判断、支付退款、CRM 更新和客户通知。当前只有部分领先企业和部分标准化流程进入这一阶段。
- 第五阶段是企业利润和宏观生产率。企业收入增长开始持续快于员工增长，SG&A 率下降，单位业务成本降低，回款周期缩短，现金转换改善。最终这些变化才会进入全要素生产率、GDP 和宏观数据。
文章判断，目前企业 AI 已经大规模进入第二阶段，正在向第三阶段推进，少数领先客户进入第四阶段，但第五阶段仍缺少广泛、连续、可审计的证据。微软披露的一些案例显示，合同附件处理从 30 至 45 分钟压缩到约 3 分钟，HR 证明流程从三天缩短到 120 秒，销售试点组人均收入提高、成交周期缩短，客服用量型消费快速增长。不过作者强调，这些仍然是精选案例，不能直接理解为全体企业的平均效果。关键区分仍然是，业务流程里使用了 AI，不等于 AI 已完成业务流程；员工节省了时间，也不等于企业已经增加了利润。
非 Coding 扩散已经发生，但仍是“广而不深”
文章称，从模型厂商的实际使用数据看，AI 应用确实正在从 Coding 向其他职能扩散。Anthropic 的数据显示，计算机和数学相关任务仍占 Claude.ai 对话的约 35%，Coding 依然是最大的单一任务类别；但最常见的十大任务占比已经从 2025 年 11 月的 24% 下降至 2026 年 2 月的 19%，说明使用场景正在分散。
OpenAI 的企业数据也显示，写作仍然是 ChatGPT 中最常见的用途；在 Agent 型使用中，Coding 和系统操作合计占接近 75%。与此同时，在招聘、销售、政策和企业沟通中，约四分之一到三分之一的 Agent 消息已经涉及系统或 Agent 操作。自 2026 年 2 月以来，OpenAI 企业客户中，法律部门的 Codex 周活用户增长 108 倍，销售和招聘分别增长 41 倍，营销增长 26 倍，而工程部门增长约 5 倍。文章指出，由于非工程部门起点更低，这些倍数不能直接与工程部门比较，但方向非常明确，Agent 型使用正在跨出技术部门。
不过，美国人口普查局数据也提醒，企业 AI 远未完成深度渗透。2025 年末至 2026 年初，约 18% 的美国企业在至少一个业务职能中使用 AI，按就业人数加权后约为 32%。在采用 AI 的企业中，57% 只把 AI 部署在三个或更少的职能中，65% 只用于三个或更少的任务；66% 的企业仍然只把 AI 用于增强员工，报告因 AI 减少就业的企业仅约 2%。
作者据此给出的结论是，AI 已经进入企业，但还没有普遍进入企业的成本结构。它已经从试验走向采购，也从技术部门走向销售、财务、医疗和行政部门，但大多数企业仍停留在个人助手和局部 Copilot 阶段。真正改变利润表的端到端工作流，只发生在一部分领先企业中。这也导致非 Coding 市场总空间很大，但产品标准化程度较低，扩张速度更慢，因此可能出现一种看似矛盾的状态：总市场远大于 Coding，但任何一家公司的增长曲线，都不一定像 Coding 产品那样整齐。
消费者端与长期方向：个人行动 Agent 和 AI 科学发现
在 To C 方向上，文章认为，最可能形成平台级价值的，不是单纯聊天，而是 Personal Action Agent，也就是能够替用户真正完成任务的个人行动 Agent。它可能读取邮件、识别待办、安排行程、比较航班和酒店、预约医生、管理账单、处理退货、购买商品、规划旅行、填写表格和协调家庭成员时间。作者称，当前大部分 AI 仍停留在“告诉你怎么做”，而下一阶段是 AI 知道你的偏好，拥有经过授权的账户和工具，并且能够替你把事情做完。文中还提到，这一场景的潜在商业模式比普通订阅更丰富，包括交易佣金、支付收入、广告、推荐费用、金融服务收入和会员费。不过，C 端行动 Agent 面临比 Coding 更高的信任门槛，用户是否愿意让 AI 读取邮件、访问银行账户、使用信用卡、处理医疗信息或代表自己完成交易，将决定这一市场的扩张速度。因此，个人行动 Agent 可能是 To C 最大的长期机会，但未必是短期内最容易大规模兑现的场景。
在更长期的方向上，文章认为，AI 科学发现很可能是 AI 革命下一阶段最重要、也最具长期乘数效应的突破之一。作者将其与 Coding 和企业 Agent 对比：Coding 解决“如何更高效地生产软件”，企业 Agent 解决“如何更高效地完成现有业务”，AI 科学发现试图解决的是“如何更高效地生产新的知识、新的技术和新的可能性”。文中称，这不是普通意义上的一个 AI 应用，而是把 AI 嵌入技术进步本身的生产函数。
文章举例称，本周一个案例是 Moderna 与默沙东联合开发的个性化 mRNA 癌症疫苗 intismeran autogene（曾用名 mRNA-4157 或 V940）在黑色素瘤辅助治疗 III 期试验中取得积极结果。AI 在这一过程中主要体现在新抗原选择与制造调度环节。Moderna 在官方博客中将其称为“A Testament to the Power of AI”，并指出 AI 帮助在“一人一药”的复杂性中实现速度与精准。文章称，这证明了 AI/ML 驱动的个性化新抗原预测加上 mRNA 平台，可在大型随机 III 期试验中针对高危实体瘤实现有意义的临床获益，并首次超越现有标准治疗 Keytruda 单药，验证了“计算生物学 + 精准免疫”路径的可行性，尤其是在高突变负荷肿瘤中。
作者认为，AI 科学发现是把智能用于生产新的知识，而新的知识会进一步转化为新药、新材料、新能源、新芯片、新机器人、新量子器件和新的工业生产方式。文中给出的长期路径是：AI 生成科学假设，经过模拟和计算筛选，再由自动化实验室验证，形成新药和新材料，继而催生新器件、新机器人和新产业，而新产业又产生更多数据、算力和科研需求。文章同时提醒，从文明和长期经济价值看，AI 科学发现可能比下一个消费级应用、甚至比企业工作流 Agent 更重要；但从未来一两年的收入、自由现金流和 AI CapEx 消化能力看，它未必比客服 Agent、企业 Copilot 和 Coding 更快兑现。
AI 存在四个不同的“时钟”
文章将 AI 应用中的“时间差”归因于四个运行速度不同的时钟。
- 第一个是资本开支时钟。GPU、数据中心、电力、网络、土地和冷却设施需要提前建设。云厂商如果等到需求完全确认后再投入，可能已经来不及获得产能和客户。作者称，这一阶段可以理解为立即到 18 个月，但不同项目周期差异很大。
- 第二个是产品收入时钟。云算力、模型 API、Coding Agent 和通用 Copilot 可以较快收费，通常在资本投入之后数个季度开始形成收入。这一阶段可能需要约 6 至 24 个月。文章还提到，此前讨论过“现金先支付、产能后上线、订单再转收入、利润与自由现金流最后兑现”的模式。
- 第三个是企业工作流利润时钟。要让 AI 真正进入利润表，企业必须完成数据治理、权限开放、系统集成、流程重构、人员培训和组织调整。节省出来的时间还必须转化为少招聘人、减少外包、提高业务量、缩短交付周期、增加转化率或降低错误损失。文中称，这一过程可能需要 18 至 48 个月，复杂行业甚至更久。
- 第四个是宏观生产率时钟。只有当 AI 扩散到足够多的企业、工作流程和行业，并完成组织与资本重构后，贡献才可能明显进入全要素生产率和 GDP 数据。文章援引数据称，美国非农商业部门二季度劳动生产率同比增长 2.2%，单位劳动成本同比增长 1.4%。作者认为，这是积极现象，但劳动生产率并不等于全要素生产率，也不能把当前生产率增长全部归因于 AI。这个过程通常按多年计算，可能需要 3 至 7 年甚至更长。
文章强调，这些时间不是精确预测，而是理解产业节奏的框架。最重要的一点是，资本市场、债券市场和企业管理层的耐心，通常短于组织重构和宏观生产率兑现所需的时间，这也是 AI 资本周期最容易出现波动的根源。
风险不在于需求真假，而在于 CapEx 与终端现金流错配
文章认为，今天 AI 需求并不是假的，云收入、模型调用、Coding 使用和 Copilot 采购都在增长，但需求增长与资本消耗可以同时成立。按照文中引用的 FY2026 口径，谷歌 Cloud 业务高速增长，但单季度资本开支已经超过经营现金流，自由现金流转负；亚马逊的 AWS 保持较高增长，AI 业务形成真实收入，但过去十二个月自由现金流也被 AI 设备投资明显压制；微软的经营现金流和商业订单质量相对更强，但季度资本开支仍然远高于自由现金流；Meta 依靠广告业务持续补贴 AI，但自由现金流缓冲同样显著收窄。
文章指出，这些公司的统计周期和口径并不完全一致，不能机械横向比较，但方向一致：AI 收入在增长，AI 资本强度增长得更快。因此，市场真正需要确认的不是 AI 有没有收入，而是 AI 增量毛利润、现有业务增收和成本节约，什么时候能够持续快于折旧、能源、利息、租赁和设备替换成本。
从更深层看，文章将 AI 产业第一阶段的资金循环概括为：模型公司融资，购买云算力和 GPU，云厂商收入增长，云厂商继续建设数据中心，芯片、光通信、电力和数据中心企业扩产，整个产业链继续融资。作者认为，这个循环可以持续很长时间，但其中相当一部分收入仍来自资本市场融资形成的支出，而不是传统企业和消费者创造的经营现金流。
基于这一判断，文章把 AI 需求质量分成三层：
- 模型公司、AI 云厂商和数据中心运营商依靠股权、债务、租赁和项目融资扩张。
- Coding、模型 API、广告优化、搜索和推荐等科技行业终端需求。
- 银行、保险、医疗、制造、零售、物流、财务和客服等非科技行业，用自己的经营现金流购买 AI，并从真实业务流程中获得回报。
作者称，只有第三层大规模启动，AI 资本周期才真正从“资本市场推动的供给扩张”转变成“全行业生产活动创造的终端需求”。这也是为什么非 Coding 场景如此重要，因为它不仅意味着多了一些 AI 收入，也意味着 AI 需求的资金来源开始从模型公司融资和科技企业资本开支，扩散到整个经济体系的运营预算。
没有清晰的“第二个 Coding”，不等于 AI 不行
文章认为，AI 作为一种通用目的技术，本来就不一定需要依靠一个单一应用完成商业化。个人电脑不是依靠一款软件改变世界，互联网也不是只依靠搜索，云计算更不是只服务一种业务。AI 最终的价值，很可能不是再产生一个孤立的超级应用，而是逐步成为所有软件、数据、流程和交易的基础执行层。
作者列出三个容易被忽略的变化。第一，非 Coding 对应的预算池更大。Coding 主要触及软件工程师和 IT 预算，而非 Coding Agent 一旦开始完成真实业务，就可以进入企业软件预算、人工成本预算、BPO 和外包预算、咨询和专业服务预算、销售与营销预算、理赔和欺诈损失预算、交易和佣金预算。这会推动商业模式从按席位收费，逐渐转向按使用量、按任务和按结果收费。按席位收费的逻辑是给员工配一个工具，按结果收费的逻辑则是 AI 已经完成了工作，两者对应的市场规模并不相同。
第二，Vibe Coding 正在成为非 Coding 工作流的铺路技术。文章称，未来很多非技术员工不会认为自己是在“写代码”，但会通过自然语言生成财务对账工具、销售仪表板、库存预警系统、内部审批页面、客户数据清洗程序、自动报告、合同检查流程和部门专用 Agent。过去这些长尾流程因为规模太小、需求太特殊，不值得企业专门采购 SaaS 或等待 IT 开发，只能长期依赖 Excel、邮件和人工操作。Coding Agent 降低定制软件成本后，大量非 Coding 流程第一次具备了被软件化和 Agent 化的经济条件。因此，未来更可能发生的是 Coding 逐渐隐藏到所有非 Coding 业务流程的底层。
第三，消费者端的答案可能是 Personal Action Agent。文章重申，To C 领域真正的平台级机会更可能是拥有长期记忆、账户权限和交易能力的个人行动 Agent。它可以读取邮件、管理日程、比较航班和酒店、处理退货、预约医生、管理账单、购买商品、协调家庭事务。作者认为，消费者 AI 下一场竞争的重点，是谁能够获得用户信任、账户权限和交易入口，并真正把事情做完。不过从支撑当前 AI 基础设施投资的角度看，B 端工作流 Agent 仍然比单一消费者应用更关键，因为企业需求更稳定、预算更大，也更容易形成持续的推理消费。
三种可能路径与后续观察指标
文章将未来大致分成三种路径。
- 快速接棒。客服、财务、医疗行政、IT 运维、保险理赔和法律合规在未来一两年迅速进入生产环境。非 Coding Agent 消费加速，企业从席位收费转向用量和结果收费，AI 需求扩散到传统行业。企业收入增长开始快于员工和费用增长，云厂商自由现金流触底，AI 资本回报得到确认。
- 基准情景。方向正确，但中间会有反复。非 Coding 需求持续增长，但企业部署、系统整合和组织重构需要两到四年。Coding 仍然增长，却逐渐减速；非 Coding 从低基数高速增长，但暂时不足以完全接棒；与此同时，资本开支、折旧和利息继续上升。市场会周期性怀疑 AI 回报率，随后在企业工作流、用量和生产率数据改善时重新上行。作者称，这可能是最现实的路径。
- 慢速接棒，甚至出现资本出清。如果模型能力提升放缓，非 Coding 任务长期需要大量人工监督，企业始终不愿让 Agent 接入核心系统，同时模型价格竞争加剧、单位收入下降，资本回报就会恶化。即使 AI 长期仍有巨大价值，某一轮资本开支也可能无法获得合理回报。作者表示，个人倾向于认为未来处于基准情景到快速接棒之间。
对于后续跟踪，文章提出六个观察指标和三个交叉点。六个观察指标包括：活跃 Agent 而不是注册 Agent；Agent 是否真正执行系统动作；自主完成率和人工转接率；从席位收入转向消费和结果收入；Foundry 收入的绝对规模和客户结构；企业是否真正收割生产率，以及云厂商 AI 增量利润能否覆盖资本成本。作者称，最终需要回答的是，AI 增量毛利润、现有业务增收和客户成本节约，能否覆盖推理成本、折旧、能源、利息和设备替换。
三个交叉点则是：Coding 增速与非 Coding 增速的交叉；AI 收入与 AI 折旧、能源和利息的交叉；企业时间节约与企业利润的交叉。文章认为，只有当 AI 使收入增长快于员工和费用增长，生产率叙事才会真正进入财务报表。
结论：市场寻找的不是第二款应用，而是第二个需求引擎
文章最后总结称，市场寻找的不是第二款应用，而是第二个需求引擎。接近这一角色的是客服与语音 Agent，更大的答案则是财务、医疗、法律、保险、销售、采购、IT 运维和供应链组成的企业工作流 Agent。C 端最有可能形成平台级价值的是拥有长期记忆、账户权限和交易能力的 Personal Action Agent，而 AI 科学发现则是更长期、更重要的场景。
作者认为，AI 的第二增长引擎很可能不会表现为一款整齐的“第二个 Coding”，而会表现为数百条业务流程同时从人工操作转向 AI 执行。因此，没有一款新的超级应用突然出现，并不等于 AI 不行。AI 仍然可以通过广泛、渐进的生产率改善创造巨大经济价值。
不过，对当前资本市场而言，仅仅证明“很多人正在使用 AI”已经不够。接下来必须证明，AI 能够完成真实工作，企业愿意按使用量和结果付费，非科技行业能够形成持续的终端需求，生产率改善能够进入利润率和自由现金流，新增毛利润最终能够覆盖折旧、能源、利息和设备更新。
文章称，当前 AI 投资逻辑的核心矛盾不是“有没有未来”，而是资本开支和债务已经到来，Coding 从预期差变成共识，非 Coding 收入和全要素生产率仍在路上。Coding 已经完成第一棒，客服、医疗、财务、销售、供应链和个人 Agent 正在接第二棒。下一波驱动力，在于这些分散场景能否在第一棒明显减速之前，汇聚成足够大的收入、现金流和生产率。这就是 AI 应用层当前最关键的时间差。
作者最后表示，个人倾向于基准情景到快速接棒之间，但市场在看到新证据前仍可能持续怀疑和担心，这也是波动来源。市场会越来越区分：谁拥有真实终端需求，谁只是产业链内部订单；谁能形成自由现金流，谁只能形成收入；谁能从劳动力和交易预算中收费，谁仍然依赖低价 Token 竞争。